Heshware étudie si un graphe activé dynamiquement de nœuds de mémoire peut servir de couche de mémoire à long terme interprétable pour un modèle de langage local. Cette proposition découle du Marven Neural Node Network, initialement une visualisation interactive du traitement cognitif.
L'architecture proposée comprend l'ingestion d'objets mémoire structurés, la récupération vectorielle pour la similarité sémantique et une structure de graphe pour les relations et liens temporels. Elle comporte également des valeurs d'activation pour l'entrée contextuelle, des processus de déclin pour la consolidation et un processus de synthèse en bac à sable pour recombiner les mémoires sans les traiter comme des faits.
L'auteur cherche des retours techniques sur les métriques d'activation des nœuds, l'adéquation des réseaux neuronaux graphiques et les méthodes pour combiner la similarité vectorielle avec des relations de graphe explicites. L'objectif est de développer une architecture testable qui améliore la précision de récupération, la continuité et l'interprétabilité tout en résistant à l'empoisonnement de la mémoire.